LangGraph 适用于哪些典型应用场景？

1. 自修正 RAG 系统

经典的自修正 RAG 模式中，Agent 先检索文档、生成答案草稿，然后通过质量评估节点判断证据是否充分。如果质量不达标，条件边会将执行路由回检索节点，使用优化后的查询词重新搜索。这个过程循环执行直到答案质量达标或重试次数耗尽，有效解决了传统 RAG 一次检索不足的问题。

2. 多 Agent 团队协作

企业级应用场景中，一个 Supervisor 协调多个专业 Worker 完成端到端任务。例如客服场景中，Researcher Agent 查询知识库、Billing Agent 处理账单查询、Resolution Agent 提供解决方案，Supervisor 根据用户意图分发任务并汇总最终答复。这种多 Agent 协作模式在企业 AI 助手系统中得到广泛应用。

3. 代码编写与测试循环

编程辅助产品广泛采用 LangGraph 实现"编写代码 → 沙箱执行 → 读取错误信息 → 修复 Bug → 重新测试"的循环。Code Agent 在隔离环境中运行代码，根据测试结果自动调整实现，直到所有测试用例通过。这种闭环自动化大幅提升了代码生成的可靠性。

4. 需要人工审批的合规工作流

金融、医疗等监管严格行业中，Agent 完成准备工作后暂停等待人工审批的模式是刚需。例如大额转账前 Agent 收集信息并生成交易草稿，暂停等待用户确认金额和收款方，审批通过后才执行支付操作。LangGraph 的原生中断机制使这种"暂停-审批-恢复"成为一等公民的工作流模式。